Pre-trained models
| Model name | LFW accuracy | Training dataset | Architecture |
|---|---|---|---|
| 20180408-102900 | 0.9905 | CASIA-WebFace | Inception ResNet v1 |
| 20180402-114759 | 0.9965 | VGGFace2 | Inception ResNet v1 |
| Model name | LFW accuracy | Training dataset | Architecture |
|---|---|---|---|
| 20170511-185253 | 0.987 | CASIA-WebFace | Inception ResNet v1 |
| 20170512-110547 | 0.992 | MS-Celeb-1M | Inception ResNet v1 |
模型下载链接：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密码：4dcn
20170512-110547（MS-Celeb-1M数据集训练的模型文件，微软人脸识别数据库，名人榜选择前100万名人，搜索引擎采集每个名人100张人脸图片。预训练模型准确率0.993+-0.004）
Ram内存要求
| Neural Network Model | Task | Ram |
|---|---|---|
| MTCNN | Facenet#align() | 100MB |
| Facenet | Facenet#embedding() | 2GB |
Inception ResNet v1
人脸识别数据库
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| CASIA-WebFace | 10k+人，约500K张图片 | 非限制场景 | 链接 |
| FaceScrub | 530人，约100k张图片 | 非限制场景 | 链接 |
| YouTube Face | 1,595个人 3,425段视频 | 非限制场景、视频 | 链接 |
| LFW | 5k+人脸，超过10K张图片 | 标准的人脸识别数据集 | 链接 |
| MultiPIE | 337个人的不同姿态、表情、光照的人脸图像，共750k+人脸图像 | 限制场景人脸识别 | 链接 需购买 |
| MegaFace | 690k不同的人的1000k人脸图像 | 新的人脸识别评测集合 | 链接 |
| IJB-A | 人脸识别，人脸检测 | 链接 | |
| CAS-PEAL | 1040个人的30k+张人脸图像，主要包含姿态、表情、光照变化 | 限制场景下人脸识别 | 链接 |
| Pubfig | 200个人的58k+人脸图像 | 非限制场景下的人脸识别 |
VGG2:
-- Total number of images : 3.31 Million.
-- Number of identities : 9131 (train: 8631, test: 500)
-- Number of male identities : 5452
-- Number of images per identity : 87/362.6/843 (min/avg/max)
-- Number of pose templates : list of pose template for 368 subjects (2 front templates, 2 three-quarter templates and 2 profile templates, each template containing 5 images)
-- Number of age templates : list of age template for 100 subjects (2 young templates and 2 mature templates, each template containing 5 images)
人脸检测
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| FDDB | 2845张图片中的5171张脸 | 标准人脸检测评测集 | 链接 |
| IJB-A | 人脸识别，人脸检测 | 链接 | |
| Caltech10k Web Faces | 10k+人脸，提供双眼和嘴巴的坐标位置 | 人脸点检测 | 链接 |
人脸表情
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| CK+ | 137个人的不同人脸表情视频帧 | 正面人脸表情识别 | 链接 |
人脸年龄
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| IMDB-WIKI | 包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片 | 名人年龄、性别 | 链接 |
| Adience | 包含2k+个人的26k+张人脸图像 | 人脸性别，人脸年龄段(8组) | 链接 |
| CACD2000 | 2k名人160k张人脸图片 | 人脸年龄 | 链接 |
人脸性别
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| IMDB-WIKI | 包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片 | 名人年龄、性别 | 链接 |
| Adience | 包含2k+个人的26k+张人脸图像 | 人脸性别，人脸年龄段(8组) | 链接 |
人脸关键点检测
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| 数据库 | 描述 | 用途 | 获取方法 |
人脸其它
| 数据库 | 描述 | 用途 | 获取方法 |
|---|---|---|---|
| CeleBrayA | 200k张人脸图像40多种人脸属性 | 人脸属性识别 | 获取方法 |
前提条件：已安装并配置好Tensorflow的运行环境。
第一步：准备facenet程序：
一、下载FaceNet源码。
下载地址：facenet源码
二、精简代码。作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。
注：便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：facenet精简版
当然，大家别忘了顺手点个星哦~~~
第二步：下载预训练模型。
模型下载链接：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密码：4dcn
下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件如图：
第三步：运行人脸比对程序（compare.py）。
facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。
-1、在compare.py所在目录下放入要比对的文件1.png和2.png。
-2、运行compare.py文件，但是会报错如下：
这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序
可以看到，程序会算出这两个图片的差值矩阵
第四步：图片预处理——运行人脸对齐程序（alignalign_dataset_mtcnn.py）。
我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。
下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。
因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。
在运行时需要输入的参数：
input_dir:输入图像的文件夹（E:facenetdatalfw E:facenetdatalfw）
output_dir:输出图像的文件夹（E:facenetdatalfw E:facenetdatalfw_160）
指定裁剪后图片的大小：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）
比如我的是：E:facenetdatalfw E:facenetdatalfw_160 --image_size 160 --margin 32 --random_order
如果在pycharm中运行，按照同样的方法配置以上参数如下：
第五步：运行训练程序：（train_tripletloss.py）。
前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。
运行之前，要在train_tripletloss.py中把加载数据的路径改成自己的数据集所在路径，如下图：
注：train_tripletloss.py和train_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train_tripletloss的训练仍然可以正常工作。
最后，附上原来的文件中各py文件的作用（持续更新）：
一、主要函数
align/ ：用于人脸检测与人脸对齐的神经网络
facenet ：用于人脸映射的神经网络
util/plot_learning_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序
二、facenet/contributed/相关函数：
1、基于mtcnn与facenet的人脸聚类
代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进行检测这一步）
主要功能：
① 使用mtcnn进行人脸检测并对齐与裁剪
② 对裁剪的人脸使用facenet进行embedding
③ 对embedding的特征向量使用欧式距离进行聚类
2、基于mtcnn与facenet的人脸识别（输入单张图片判断这人是谁）
代码：facenet/contributed/predict.py
主要功能：
① 使用mtcnn进行人脸检测并对齐与裁剪
② 对裁剪的人脸使用facenet进行embedding
③ 执行predict.py进行人脸识别（需要训练好的svm模型）
3、以numpy数组的形式输出人脸聚类和图像标签
代码：facenet/contributed/export_embeddings.py
主要功能：
① 需要对数据进行对齐与裁剪做为输入数据
② 输出embeddings.npy；labels.npy；label_strings.npy